在回归模型中使用 gps 坐标的最佳方法是什么答案

【问题标题】：What's the best way of using gps coordinate in regression model在回归模型中使用 gps 坐标的最佳方法是什么
【发布时间】：2018-10-29 14:43:22
【问题描述】：

在我的数据集中，我有两列以十进制表示的纬度和经度，我想将数据拟合到回归模型以进行价格预测。我想知道我应该对这两列进行什么样的数据转换？是否可以仅将给定的十进制值拟合到模型或需要转换？

我尝试使用 python geopandas 将它们转换为分类变量，但我的训练和测试中不匹配的分类变量不允许我拟合模型。

【问题讨论】：

标签： python geolocation latitude-longitude transformation geopandas

【解决方案1】：

您需要k-nearest neighbors (kNN) 算法，尤其是kNN regression。

Scikit-learn 有两个kNN regression 的实现：

KNeighborsRegressor - 找到一个点的 K-邻居
RadiusNeighborsRegressor - 在一个或多个点的给定半径内查找邻居

但值得注意的是使用haversine distance作为距离度量的重要性，它“根据经度和纬度确定球体上两点之间的大圆距离”，即使用地球的半径。

此外，python 和 scikit-learn 期望弧度超过度数（纬度/经度），因此必须首先转换您的值。

一个基本的例子如下：

from math import radians
from sklearn.neighbors import KNeighborsRegressor
from sklearn.model_selection import train_test_split

dat['Latitude'] = dat['Latitude'].apply(radians)
dat['Longitude'] = dat['Longitude'].apply(radians)

X = dat[['Latitude', 'Longitude']].values
y = dat['Price'].values

X_train, X_test, y_train, y_test \
  = train_test_split(X, y, test_size=0.25)

nbrs = KNeighborsRegressor(weights='distance', metric='haversine')

nbrs.fit(X_train, y_train)

y_pred = nbrs.predict(X_test)

【讨论】：